Маркетинговая атрибуция — это система понятий, которые помогают честно оценить вклад разных каналов в продажи.

Атрибуция

Что это: способ понять, какой вклад в конверсию внёс каждый маркетинговый канал.

Как работает: атрибуция рассматривает путь клиента в разрезе касаний (реклама, письмо, переход по брендовому запросу) и распределяет между ними заслугу за результат.

Пример: человек увидел баннер, потом подписался на рассылку, а затем купил через поиск. В зависимости от выбранной модели атрибуции баннер — или любой другой канал в цепочке — может выглядеть как главный драйвер продаж или, наиборот, как наименее ценный участник.

Модель атрибуции

Что это: правило, по которому система делит ценность между точками контакта. Если атрибуция — это способ оценки эффективности каналов, то модель атрибуции — это оптика, через которую маркетолог смотрит на данные и делает выводы.

Как работает: разные модели по-разному оценивают путь — одни засчитывают только последнее касание, другие распределяют вес по всей цепочке.

Пример: если в цепочке «баннер → статья → поиск → покупка» работает модель «последнего касания», вся заслуга уйдёт поиску.

Окно атрибуции

Что это: период, в течение которого учитываются касания перед конверсией.

Как работает: если окно задано в 30 дней, клики старше этого срока не попадут в расчёт.

Пример: человек кликнул по рекламе 40 дней назад, а покупку сделал сегодня. При 30-дневном окне это касание не учтётся.

Модели одного касания (Single-Touch)

Последнее касание (Last Click)

Что это: конверсия полностью приписывается последнему источнику.

Как работает: всё, что было раньше, система игнорирует.

Пример: клиент увидел баннер и подписался на рассылку, но купил после клика из поиска. Вся заслуга у поиска.

Первое касание (First Click)

Что это: конверсия засчитывается каналу, который первым привёл клиента.

Как работает: считается, что именно первый контакт «зажёг» интерес.

Пример: пользователь впервые узнал о бренде из баннера. Дальше он возвращался через рассылку и поиск, но при модели First Click вся заслуга останется у баннера.

Мультиканальная атрибуция (Multi-Touch Attribution, MTA)

Линейная модель

Что это: ценность делится поровну между всеми касаниями.

Как работает: система берёт все точки и даёт каждой равную долю.

Пример: путь «баннер → рассылка → поиск» даёт по 33 % каждому источнику.

U-образная модель

Что это: больший вес получают первое и последнее касания, остальные делят остаток.

Как работает: часто используется схема 40 % + 40 % + 20 % на промежуточные.

Пример: «баннер → статья → поиск → покупка» даст 40 % баннеру, 40 % поиску, 20 % статье.

W-образная модель

Что это: повышенные веса у трёх ключевых точек: первого контакта, лидогенерации и последнего касания.

Как работает: обычно это 30 % + 30 % + 30 %, а оставшиеся 10 % распределяются на промежуточные шаги.

Пример: «баннер (первый) → квиз (лид) → поиск (последний) → покупка» — именно эти три точки получают почти весь вес.

Модель убывающего веса (Time Decay)

Что это: чем ближе касание к покупке, тем больший вес оно получает.

Как работает: считается, что свежие контакты сильнее влияют на решение.

Пример: если первый баннер был месяц назад, а поисковая реклама вчера, то поисковая реклама получит больше веса.

Data-Driven модель

Что это: модель атрибуции, в которой распределение ценности строится не по заранее заданным правилам, а на основе реальных данных о поведении пользователей.

Как работает: алгоритм анализирует тысячи цепочек конверсий и смотрит, как изменяется вероятность покупки, если то или иное касание присутствует или отсутствует. Таким образом рассчитывается вклад каждого канала в успех.

Пример: система сравнивает две ситуации: пользователи проходят путь «баннер → поиск → покупка» и «поиск → покупка» без баннера. Если вероятность конверсии заметно выше в первом случае, модель присваивает баннеру значимый вес. Если же наличие баннера почти не меняет результат, его вклад будет минимальным.

Продвинутые подходы

Маркетинговое микс-моделирование (MMM)

Что это: статистический метод, который оценивает, сколько продаж приносит каждый канал маркетинга, если смотреть на агрегированные данные за длительный период.

Как работает: для анализа берут исторические данные по выручке и расходам на рекламу. Чем больше данных, тем надёжнее результат:

• если данные помесячные, нужно 4–5 лет, чтобы хватило наблюдений;
• если понедельные, достаточно 2–3 лет;
• при выраженной сезонности (например, продажи сильно скачут в Новый год или в «чёрную пятницу») период удлиняют, чтобы модель захватила несколько повторяющихся циклов и не перепутала эффект рекламы с сезонным всплеском.

Пример: ритейлер выгрузил данные за 3 года: расходы в Яндекс.Директе, наружке и VK Ads плюс общую выручку. Модель показала, что 20 % роста объясняют контекстные кампании, 10 % — наружка, а 8 % — реклама в соцсетях. Это помогает решить, куда направить бюджеты в следующем квартале.

Инкрементальность

Что это: показатель того, сколько дополнительных продаж или заявок принесла реклама.

Как работает: сравнивают две группы пользователей: одна видит рекламу, другая — нет. Разница между ними и есть реальный вклад кампании.

Пример: без рекламы покупают 100 человек из 2000, а с рекламой — 140 из 2000. Инкрементальность = +40 покупателей. То есть именно эта часть результата появилась благодаря рекламе, а не сама по себе.

Предельная эффективность (Marginal Efficiency)

Что это: показатель, который помогает понять, сколько дополнительных заявок или продаж даёт каждая новая единица бюджета.

Как работает: если увеличение вложений даёт такой же или больший результат, значит канал ещё не исчерпан. Если же прирост замедляется, то дальше вкладывать невыгодно.

Пример: вы добавили 10 000 ₽ к бюджету и получили плюс 50 заявок — это хороший результат. Но когда ещё +10 000 ₽ принесли всего 2 заявки, становится ясно: канал выжат, и деньги лучше перенаправить в другое место.

Гало-эффект (Halo Effect)

Что это: скрытое влияние имиджевых или брендовых кампаний на эффективность других каналов.

Как работает: реклама «верхнего уровня» (наружка, спонсорство, медийка) повышает узнаваемость бренда. Это не всегда видно напрямую в отчётах, но позже отражается в других каналах — например, в росте брендового поиска или CTR контекстной рекламы.

Пример: компания запускает имиджевую наружную кампанию в Москве. Прямых покупок от неё нет, но через месяц резко увеличивается число запросов бренда в Яндексе и падает стоимость клика в Директе. Это и есть проявление гало-эффекта.

Типовые ошибки в атрибуции и как их избежать

1. Опора только на Last Click. Недооцениваются верхние касания и медийка. Решение: сравнивайте несколько моделей, переходите к data-driven, используйте инкрементальные проверки.
2. Игнорирование окна атрибуции. Слишком короткое окно «режет» длинные циклы. Решение: тестируйте 7/14/30 дней, храните логи для пересчётов.
3. Смешение источников из-за UTM. Ошибки в метках приводят к «перетоку» конверсий между каналами. Решение: единые правила UTM и регулярная валидация.
4. Нет учёта post-view и офлайна. Теряется вклад медийки и продаж в CRM. Решение: подключайте показы, колл-трекинг, CRM-события, дедупликацию.
5. Недостаточно данных для data-driven. Малый объём событий даёт «шумные» веса. Решение: начните с простых правил (Linear/U-shape), агрегируйте окна (недели), переходите к алгоритмическим моделям по мере роста.
6. Кросс-девайс не склеен. Один человек выглядит как разные пользователи. Решение: используйте стабильный идентификатор (Stable ID) и склейку web+app.

Люди спрашивают

Чем модель отличается от правила?
Правило — фиксированная схема распределения (например, Last Click). Модель — алгоритм, который оценивает вклад на данных (например, Шепли, Марков).

Что такое окно атрибуции?
Это «память» системы: за какой период до покупки учитываются касания (например, 30 дней).

В чём ошибка «последнего клика»?
Он переоценивает финальные касания (брендовый поиск, ремаркетинг) и недооценивает источники, которые создают спрос.

Можно ли заменить атрибуцию инкрементальностью?
Нет. Инкрементальность отвечает, есть ли прирост вообще, а атрибуция — как распределить вклад между каналами для ежедневной оптимизации. В связке они дают устойчивые решения.

Где почитать подробнее

— Атрибуция Шепли: что это, когда применять, формула, плюсы и альтернативы
— Баттл моделей на данных: Марков vs Шепли
— Пошаговое внедрение мультиканальной атрибуции
— Атрибуция и инкрементальность: различия и применение

Заключение: как использовать глоссарий в работе

Возвращайтесь к этому списку, когда настраиваете отчёты, согласуете правила учёта и обсуждаете результаты с командой. Корректное понимание терминов — база для сквозной аналитики, честной оценки эффективности рекламы и точной оптимизации рекламного бюджета.